CN113095619B - 基于气候和土壤模拟植被生产力空间格局的方法及系统 - Google Patents

基于气候和土壤模拟植被生产力空间格局的方法及系统 Download PDF

Info

Publication number
CN113095619B
CN113095619B CN202110243613.8A CN202110243613A CN113095619B CN 113095619 B CN113095619 B CN 113095619B CN 202110243613 A CN202110243613 A CN 202110243613A CN 113095619 B CN113095619 B CN 113095619B
Authority
CN
China
Prior art keywords
soil
climate
vegetation
productivity
soil quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110243613.8A
Other languages
English (en)
Other versions
CN113095619A (zh
Inventor
耿守保
王智慧
蒋冲
杨龙
孙中宇
温美丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202110243613.8A priority Critical patent/CN113095619B/zh
Publication of CN113095619A publication Critical patent/CN113095619A/zh
Application granted granted Critical
Publication of CN113095619B publication Critical patent/CN113095619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明公开了一种基于气候和土壤模拟植被生产力空间格局的方法及系统，所述方法包括：筛选出限制植被生产力的气候因子，根据植被对气候限制的耐受度对气候因子进行线性标准化处理，得到模拟植被生产力空间格局的气候变量；选取影响植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，构建代表植被生长的总体土壤条件的土壤质量参数；将标准化后的气候因子和土壤质量指数进行相乘，得到气候‑土壤指数，以用于反映植被生产力空间格局。本发明通过构建一种考虑更全面、解释度更高、应用性更强的模拟植被生产力空间格局的技术方案，能够解决现有植被生产力模型较少考虑土壤因子、输入变量多以及计算复杂的问题。

Description

基于气候和土壤模拟植被生产力空间格局的方法及系统
技术领域
本发明涉及地理空间技术领域，尤其是涉及一种基于气候和土壤模拟植被生产力空间格局的方法及系统。
背景技术
植被生产力作为陆地生态系统碳循环的关键组成部分，在大气圈到生物圈的固碳过程中起着至关重要的作用，大尺度的植被生产力空间格局通常由环境因子决定。近年来，区域乃至全球植被生产力模拟成为一个亟待解决的议题。但由于样点直接观测的工作量巨大，以及由样点尺度推演到更大尺度的种种困难，大量模型被提出用于估算大尺度的植被生产力。目前这些模型主要分为两类：统计模型和过程模型。其中，统计模型主要基于实测植被生产力和生物物理因子或植被指数的相关性分析来模拟大范围的植被生产力；过程模型则根据关键生态系统生物地理化学循环过程中环境因子对植物生理过程的控制，或依据光能利用率原理评估光合有效辐射与植被生产力的关系，例如BIOME-BGC模型、CASA模型、GLO-PEM模型、VPM模型、EC-LUE模型以及MODIS产品中的GPP和NPP算法。通过这些模型所模拟的植被生产力在空间上表现出来的异质性，在很大程度上能够反映生态产品供给以及生态系统服务的差异，因此植被生产力空间格局的研究十分重要。
在对现有技术的研究与实践过程中，本发明的发明人发现，虽然几乎所有的主流模型都考虑了环境对植被生产力空间格局的影响，但是大多模型通常仅关注气候对生产力的限制，而较少考虑土壤的约束，导致模拟植被生产力空间格局的精准性和可靠性受影响。目前已经有大量研究表明气候因子和土壤因子均对植被生产力的空间异质性具有重要影响，因此迫切需要将两者结合来模拟植被生产力空间格局。另外，当前很多植被生产力模型需要大量的输入变量以及复杂的算法，在实际应用中较为受限，因此需要在保障模型有效性的基础上构建较少输入变量的简易模型来模拟植被生产力空间格局。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于气候和土壤模拟植被生产力空间格局的方法及系统，能够解决现有植被生产力模型较少考虑土壤因子、输入变量多以及计算复杂的问题。
为解决上述问题，本申请实施例的第一方面提供了一种基于气候和土壤模拟植被生产力空间格局的方法，至少包括如下步骤：
预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；
选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数；
将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
在第一方面的一种可能的实现方式中，所述根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量，还包括：
对预先采集的中国地面气候资料日值数据集中各个气象台站数据进行质量检测，移除异常值数据；
采用薄盘样条函数对所述气象台站数据进行空间插值处理，得到空间化的气象因子数据集。
在第一方面的一种可能的实现方式中，所述采用薄盘样条函数对所述气象台站数据进行空间插值处理，得到空间化的气象因子数据集，具体包括：
建立各个气象台站数据中的要素观测值与台站经纬度及高程的统计关系；
基于所述统计关系计算研究范围内所有网格的气象要素值，得到空间化气象因子数据集。
在第一方面的一种可能的实现方式中，所述气象台站数据包括平均气温、日最高气温、日最低气温、平均相对湿度和日照时数。
在第一方面的一种可能的实现方式中，所述气候因子包括水分胁迫因子和热量限制因子。
在第一方面的一种可能的实现方式中，所述根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，具体为：
通过关于研究区植被的实验和文献资料获取研究区植被生长对所述气候因子的耐受范围；
根据研究区植被对各个所述气候因子耐受性的最小值和最大值，将气候变量标准化为0-1之间的值。
在第一方面的一种可能的实现方式中，所述选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数，具体包括：
根据不同的土壤功能和特定目的选取对应的土壤属性作为土壤质量评价指标；
根据全国土壤普查标准设定每一个所述土壤质量评价指标的阈值；
根据模糊逻辑方程对所述土壤质量评价指标进行标准化处理；
通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数。
在第一方面的一种可能的实现方式中，所述通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数，具体包括：
构建原始指标矩阵并进行标准化处理；
计算各个土壤质量评价指标的熵值及差异参数；
采用熵权法确定各个土壤质量评价指标的权重；
采用加权综合法构建土壤质量指数。
在第一方面的一种可能的实现方式中，所述土壤属性包括粘粒含量、土壤容重、pH值、有机质含量、阳离子交换量、总氮、总磷、总钾、碱解氮、有效磷和速效钾。
本申请实施例的第二方面提供了一种基于气候和土壤模拟植被生产力空间格局的系统，包括：
气候变量模块，用于预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；
土壤质量模块，用于选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数；
植被生产力空间格局模块，用于将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种基于气候和土壤模拟植被生产力空间格局的方法及系统，所述方法包括：预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数；将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
与现有技术相比，本发明实施例提供一种基于气候和土壤模拟植被生产力空间格局的简易方法，构建出一种考虑更全面、解释度更高、应用性更强的模拟植被生产力空间格局的技术方案，从而解决现有植被生产力模型较少考虑土壤因子、输入变量多以及计算复杂的问题。
附图说明
图1为本发明第一实施例提供的一种基于气候和土壤模拟植被生产力空间格局的方法的流程示意图；
图2为本发明第一实施例提供的一种基于气候和土壤模拟植被生产力空间格局的实施方式的流程示意图；
图3为本发明第一实施例提供的验证结果的示意图；
图4为本发明第二实施例提供的一种基于气候和土壤模拟植被生产力空间格局的系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
首先介绍本发明可以提供的应用场景，如结合气候和土壤限制模拟植被生产力空间格局。
本发明第一实施例：
请参阅图1-3。
如图1所示，本实施例提供了一种基于气候和土壤模拟植被生产力空间格局的方法，至少包括如下步骤：
S1、预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量。
具体的，对于步骤S1，筛选限制植被生产力的气候因子(通常包括降水、气温和太阳辐射)，根据植被对气候限制的耐受度，将气候因子进行线性标准化，得到模拟植被生产力空间格局的气候变量。
S2、选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数。
具体的，对于步骤S2，选取影响植被生产力的土壤属性，构建土壤质量指数，得到土壤综合质量代表植被生长的总体土壤条件。
S3、将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
具体的，对于步骤S3，将步骤S1计算的气候因子和步骤S2计算的土壤质量相乘，得到气候-土壤指数，用以反映植被生产力空间格局。
需要说明的是，植被生产力对环境因子敏感，比如气候和土壤条件基本控制了生产力的空间格局。当气候条件超过植物生长的耐受阈值时，植物几乎停止生长，而随着气候条件的好转，植物生长可以简单地表示为随气候因子呈线性增加的趋势，当气候条件好转到一定程度，气候因子便不再是植物生长的限制因子。同样地，植物生长与土壤条件的好坏也可以简单表示为线性关系。环境因子对植物生长的限制在大尺度上表现出植被生产力的空间格局。因此本实施例提出了一种一种基于气候和土壤模拟植被生产力空间格局的方法，本方法不在于模拟植被生产力的真值，而在于通过气候和土壤限制揭示植被生产力的空间格局(空间异质性)，从而通过模拟的植被生产力在空间上表现出来的异质性反映生态产品供给以及生态系统服务的差异，有利于对植被生产力空间格局的研究。
在优选的实施例中，所述根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量，还包括：
对预先采集的中国地面气候资料日值数据集中各个气象台站数据进行质量检测，移除异常值数据；
采用薄盘样条函数对所述气象台站数据进行空间插值处理，得到空间化的气象因子数据集。
在优选的实施例中，所述采用薄盘样条函数对所述气象台站数据进行空间插值处理，得到空间化的气象因子数据集，具体包括：
建立各个气象台站数据中的要素观测值与台站经纬度及高程的统计关系；
基于所述统计关系计算研究范围内所有网格的气象要素值，得到空间化气象因子数据集。
在优选的实施例中，所述气象台站数据包括平均气温、日最高气温、日最低气温、平均相对湿度和日照时数。
具体的，首先对国家气象信息中心制作的中国地面气候资料日值数据集(V3.0)中各气象台站的平均气温(Tmean)、日最高气温(Tmax)、日最低气温(Tmin)、平均相对湿度(RHmean)、日照时数(SSD)等数据进行质量检测，移除异常值数据，确保各气象台站数据缺失值少于10％；然后利用ANUSPLIN软件的薄盘样条函数进行空间插值，应用该软件模块SPLINA建立各台站气象要素观测值与台站经纬度和高程的统计关系，并基于建立的统计关系，应用模块LAPGRD计算研究范围内所有网格的气象要素值，从而得到空间化的气象因子数据集。
在优选的实施例中，所述根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，具体为：
通过关于研究区植被的实验和文献资料获取研究区植被生长对所述气候因子的耐受范围；
根据研究区植被对各个所述气候因子耐受性的最小值和最大值，将气候变量标准化为0-1之间的值。
具体的，根据研究区实际情况，筛选研究区植被生产力的主要气候限制因子，通过实验或者文献资料等方式获取植被生长对这些气候因子的耐受范围，进而根据植被对各气候限制因子耐受性的最小值和最大值，将气候变量进行标准化为0-1之间的值。
在优选的实施例中，所述气候因子包括水分胁迫因子和热量限制因子。
在具体的实施例中，尽管降水被广泛认为是植被生产力的重要气候驱动因子，但由于降水很难被植被完全利用，所以植被生长主要取决于蒸散。另外，虽然土壤水分可以被用于估算植被可利用水分，但其计算过于复杂。因此，饱和水汽压差(VPD)作为影响植被蒸腾和光合作用等生理过程的主要驱动因素之一，计算相对简单，适合用来表征植被生产力的水分限制。
其中，VPD的计算主要参考联合国粮食及农业组织的算法，一定时期的VPD为饱和水汽压与实际水汽压的差值，即：
VPD＝es-ea (1)
式中，VPD为饱和水汽压差；es为饱和水汽压；ea为实际水汽压。单位为kPa。
其中，饱和水汽压与气温相关，可通过以下公式计算：
Figure BDA0002962394400000081
式中，es(T)为气温为T时的饱和水汽压(kPa)；T为气温(℃)。
饱和水汽压的日均值由日最高气温的饱和水汽压与日最低气温的饱和水汽压取平均所得，即：
Figure BDA0002962394400000091
式中，es为饱和水汽压的日均值；es(Tmax)和es(Tmin)分别为日最高气温和日最低气温的饱和水汽压。单位为kPa。
实际水汽压可通过饱和水汽压与平均相对湿度计算，公式如下：
Figure BDA0002962394400000092
式中，ea为实际水汽压(kPa)，es为饱和水汽压(kPa)，RHmean为平均相对湿度(％)。
气温是限制植物生长的关键气候变量，尤其对于垂直梯度明显的山地区域。根据气温在一天中的变化，可以分为日最低气温、日最高气温和平均气温。IPCC报告称，最低气温比最高气温以及平均气温更能表征气候变化，而且植物的很多生物化学过程对低温更加敏感，因此最低气温更适合作为植被生产力的热量限制。
另外，太阳辐射也是一个影响植被生产力的重要气候因子，因为光合作用仅在有足够光照的环境中才能发生。植被生产力在无云或微云环境下通常不受辐射限制，因此云量或者日照时数通常用来近似表示植被生产力的辐射限制。
在优选的实施例中，所述选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数，具体包括：
根据不同的土壤功能和特定目的选取对应的土壤属性作为土壤质量评价指标；
根据全国土壤普查标准设定每一个所述土壤质量评价指标的阈值；
根据模糊逻辑方程对所述土壤质量评价指标进行标准化处理；
通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数。
在优选的实施例中，所述通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数，具体包括：
构建原始指标矩阵并进行标准化处理；
计算各个土壤质量评价指标的熵值及差异参数；
采用熵权法确定各个土壤质量评价指标的权重；
采用加权综合法构建土壤质量指数。
在优选的实施例中，所述土壤属性包括粘粒含量、土壤容重、pH值、有机质含量、阳离子交换量、总氮、总磷、总钾、碱解氮、有效磷和速效钾。
在具体的实施例中，步骤S2的具体过程主要包括指标选取、指标标准化和土壤质量指数构建。
其中，指标选取具体包括如下步骤：选取恰当的土壤属性作为指标来评价土壤质量对于评价的准确性至关重要，通常根据不同的土壤功能和特定的目的来选取不同的指标，例如农田土壤质量评价需要选取与作物产量相关的养分元素指标，而矿区土壤质量评价则需要着重考虑土壤重金属含量指标。本发明中，土壤质量作为对植被生产力限制的土壤因子，应选取和植被生长相关的土壤属性作为评价指标。
指标标准化具体包括如下步骤：为了消除不同指标之间不同量纲的影响，所有评价指标需根据模糊逻辑方程进行标准化。在标准化之前，每一个指标的阈值参考全国第二次土壤普查的标准进行设定。
土壤质量指数构建具体包括如下步骤：首先采用熵权法对各评价指标的权重进行分配，权重分配之后，采用加权综合法构建土壤质量指数来表征土壤状况。相关计算公式如下：
构建原始指标矩阵：
X＝{xij}m×n,(0<i≤m；0<j≤n) (5)
对指标矩阵进行标准化：
Figure BDA0002962394400000101
计算各指标的熵值：
Figure BDA0002962394400000111
计算各指标的差异系数：
gj＝1-ej (8)
确定各指标的权重：
Figure BDA0002962394400000112
构建土壤质量指数：
SQI＝∑(wjf(x)) (10)
式中，X表示原始指标矩阵；xij表示指标j在像元i的值；m表示像元的数量；n表示指标的数量；Y表示标准化之后的指标矩阵；yij表示指标j在像元i的标准化之后的值；ej、gj和wj分别表示各指标的熵值、差异系数和权重；SQI表示土壤质量指数。
下面结合具体实施方式对本专利的技术方案作进一步详细说明。
本实施例选择中国太行山区(34°55’-40°83’N，110°21’-116°61’E)进行研究。
如图2所示，本实施例还提供了一种基于气候和土壤模拟植被生产力空间格局的方法的具体实施方式。由于辐射不是限制太行山区植被生产力的主要气候因子，所以本实施例筛选了饱和水汽压差(VPD)作为水分胁迫因子，最低气温(Tmin)作为热量限制因子，土壤质量指数(SQI)作为土壤条件因子，构建水-温-土指数(WTSI)，用来模拟植被生产力空间格局。植被对每个环境因子的耐受阈值由文献资料确定，然后根据耐受阈值的最小值和最大值通过线性函数对各因子进行标准化，最后将标准化之后的VPD、Tmin和SQI相乘，得到WTSI。具体步骤如下：
(1)饱和水汽压差(VPD)
研究表明VPD小于900Pa对叶片气候几乎没有影响，而VPD大于4100Pa会造成叶片气孔完全关闭。因此，植被在VPD为900-4100Pa范围内的耐受性呈线性降低趋势，据此范围对VPD进行标准化，公式如下：
Figure BDA0002962394400000121
式中，iVPD表示标准化之后的VPD值，范围为0-1；V表示每天的VPD值(Pa)；VPDmin和VPDmax分别表示植被对VPD耐受范围的最小值和最大值(Pa)，其中VPDmin＝900Pa，VPDmax＝4100Pa。
(2)最低气温(Tmin)
研究表明当气温低于-2℃，大多数植物停止生长，而当气温高于5℃，植物生长不受限制。因此，植被在-2-5℃气温范围内的耐受性呈线性增长趋势，据此范围对最低气温进行标准化，公式如下：
Figure BDA0002962394400000122
式中，iTmin表示标准化之后的Tmin值，范围为0-1；T表示每天的Tmin值(℃)；Tmmin和Tmmax分别表示植被对Tmin耐受范围的最小值和最大值(℃)，其中Tmmin＝-2℃，Tmmax＝5℃。
(3)土壤质量指数(SQI)
基于面向陆面模拟的中国土壤数据集，考虑到植被对水分和养分的可获取性，采取表层土(约20cm)进行分析，选取与植物生长相关的土壤属性，包括粘粒含量、土壤容重、pH值、有机质含量、阳离子交换量、总氮、总磷、总钾、碱解氮、有效磷、速效钾共计11项土壤属性作为土壤质量评价的指标，然后参考全国第二次土壤普查的标准将这些评价指标标准化0-1之间的值以消除不同量纲的影响，然后采用熵权法对各评价指标的权重进行分配，最后采用加权综合法构建土壤质量指数并将其标准化0-1之间的值。相关公式如下：
SQI＝∑(wif(x)) (13)
Figure BDA0002962394400000131
式中，SQI表示土壤质量指数；wi表示评价指标i的权重；f(x)表示每个评价指标标准化之后的值；SQInorm表示标准化之后的土壤质量指数，范围为0-1；SQImin和SQImax分别表示土壤质量指数的最小值和最大值，本研究中SQImin＝0.23，SQImax＝0.81。
(4)水-温-土指数(WTSI)
将标准化之后的VPD、Tmin和SQI相乘，得到WTSI作为植被生产力空间格局的简单量度。计算公式如下：
iWTSI＝iVPD×iTmin×SQInorm (15)
式中，iWTSI表示每天的WTSI值；iVPD表示VPD因子；iTmin表示Tmin因子；SQInorm表示SQI因子。
由于iWTSI表示每天的WTSI，因此每年的WTSI可以通过计算一年内所有天数iWTSI的平均值来表示。鉴于每年的气候状况不同，如果遇到极端气候年份，可能当年的计算结果不具有代表性，因此可通过计算多年平均的iWTSI以消除极端气候年份的影响，从而反映普遍状况下的植被生产力空间格局。
本实施例在太行山验证区(34°55’-40°83’N，110°21’-116°61’E)。使用遥感植被指数研究大尺度植被生产力格局是当前最为容易的方式，NDVI因与实际测量的植被生产力具有较好的一致性，通常被认为是植被生产力的良好指代。因此，计算多年平均的NDVI并分析本方案计算的WTSI与NDVI的相关关系来验证WTSI用于模拟植被生产力空间格局的可行性。为了更好地展示WTSI与NDVI的关系，将WTSI按照从小到大的顺序进行100等分，计算每一个分组的WTSI均值，然后对不同分组中相应空间位置的NDVI的均值进行计算与提取，即可得到两组变量，即WTSI以及与之相对应的NDVI，最后对两者作相关分析。另外，为了解释土壤因子在模拟植被生产力空间格局时的重要性，比较分析本方案计算的WTSI以及去掉土壤因子之后计算的水-温指数(WTI)与NDVI相关性的差异。
另外，如图3所示，本实施例还提供了一种基于气候和土壤模拟植被生产力空间格局的方法的验证结果。本实施例计算的WTSI与NDVI显著正相关(R2＝0.80，p<0.001)，表明本方案的方法能够有效反映植被生产力空间格局。另外，WTI虽然也与NDVI显著正相关(p<0.001)，但决定系数(R2)仅为0.20，表明引入土壤质量因子能够大幅提升植被生产力空间格局的模拟能力，模型解释度提高3倍。
本实施例提供的一种基于气候和土壤模拟植被生产力空间格局的方法，包括：预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数；将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
与现有技术相比，本实施例提供一种基于气候和土壤模拟植被生产力空间格局的简易方法，构建出一种考虑更全面、解释度更高、应用性更强的模拟植被生产力空间格局的技术方案，通过将气候因子和土壤因子进行结合来模拟植被生产力空间格局，且无需大量的输入变量及复杂的算法，在保障模型有效性的基础上构建较少输入变量的简易模型来模拟植被生产力空间格局，提高实用性和效率，从而解决现有植被生产力模型较少考虑土壤因子、输入变量多以及计算复杂的问题。
本发明第二实施例：
请参阅图4。
如图4所示，本实施例提供了一种基于气候和土壤模拟植被生产力空间格局的系统，包括：
气候变量模块100，用于预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量。
具体的，对于气候变量模块100，筛选限制植被生产力的气候因子(通常包括降水、气温和太阳辐射)，根据植被对气候限制的耐受度，将气候因子进行线性标准化，得到模拟植被生产力空间格局的气候变量。
土壤质量模块200，用于选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数。
具体的，对于土壤质量模块200，选取影响植被生产力的土壤属性，构建土壤质量指数，得到土壤综合质量代表植被生长的总体土壤条件。
植被生产力空间格局模块300，用于将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
具体的，对于植被生产力空间格局模块300，将标准化后的气候因子和土壤质量相乘，得到气候-土壤指数，用以反映植被生产力空间格局。
本实施例提供的一种基于气候和土壤模拟植被生产力空间格局的系统，包括：气候变量模块，用于预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；土壤质量模块，用于选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数；植被生产力空间格局模块，用于将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
本实施例能够提供一种基于气候和土壤模拟植被生产力空间格局的简易系统，构建出一种考虑更全面、解释度更高、应用性更强的模拟植被生产力空间格局的技术方案，从而解决现有植被生产力模型较少考虑土壤因子、输入变量多以及计算复杂的问题。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (6)

1.一种基于气候和土壤模拟植被生产力空间格局的方法，其特征在于，至少包括如下步骤：
预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；对预先采集的中国地面气候资料日值数据集中各个气象台站数据进行质量检测，移除异常值数据；建立各个气象台站数据中的要素观测值与台站经纬度及高程的统计关系；基于所述统计关系计算研究范围内所有网格的气象要素值，得到空间化气象因子数据集；所述气象台站数据包括平均气温、日最高气温、日最低气温、平均相对湿度和日照时数；
选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数，具体包括：根据不同的土壤功能和预设目的选取对应的土壤属性作为土壤质量评价指标；根据全国土壤普查标准设定每一个所述土壤质量评价指标的阈值；根据模糊逻辑方程对所述土壤质量评价指标进行标准化处理；通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数；
将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
2.根据权利要求1所述的基于气候和土壤模拟植被生产力空间格局的方法，其特征在于，所述气候因子包括水分胁迫因子和热量限制因子。
3.根据权利要求1所述的基于气候和土壤模拟植被生产力空间格局的方法，其特征在于，所述根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，具体为：
通过关于研究区植被的实验和文献资料获取研究区植被生长对所述气候因子的耐受范围；
根据研究区植被对各个所述气候因子耐受性的最小值和最大值，将气候变量标准化为0-1之间的值。
4.根据权利要求1所述的基于气候和土壤模拟植被生产力空间格局的方法，其特征在于，所述通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数，具体包括：
构建原始指标矩阵并进行标准化处理；
计算各个土壤质量评价指标的熵值及差异参数；
采用熵权法确定各个土壤质量评价指标的权重；
采用加权综合法构建土壤质量指数。
5.根据权利要求1所述的基于气候和土壤模拟植被生产力空间格局的方法，其特征在于，所述土壤属性包括粘粒含量、土壤容重、pH值、有机质含量、阳离子交换量、总氮、总磷、总钾、碱解氮、有效磷和速效钾。
6.一种基于气候和土壤模拟植被生产力空间格局的系统，其特征在于，包括：
气候变量模块，用于预先筛选出限制研究区植被生产力的气候因子，并根据研究区植被对气候限制的耐受度对所述气候因子进行线性标准化处理，得到模拟研究区植被生产力空间格局的气候变量；对预先采集的中国地面气候资料日值数据集中各个气象台站数据进行质量检测，移除异常值数据；建立各个气象台站数据中的要素观测值与台站经纬度及高程的统计关系；基于所述统计关系计算研究范围内所有网格的气象要素值，得到空间化气象因子数据集；所述气象台站数据包括平均气温、日最高气温、日最低气温、平均相对湿度和日照时数；
土壤质量模块，用于选取影响研究区植被生产力的土壤属性作为土壤质量评价指标并进行标准化处理，采用加权综合法构建代表研究区植被生长的总体土壤条件的土壤质量参数，具体为：根据不同的土壤功能和预设目的选取对应的土壤属性作为土壤质量评价指标；根据全国土壤普查标准设定每一个所述土壤质量评价指标的阈值；根据模糊逻辑方程对所述土壤质量评价指标进行标准化处理；通过熵权法对各个所述土壤质量评价指标的权重进行分配，采用加权综合法构建土壤质量指数；
植被生产力空间格局模块，用于将标准化后的气候因子和土壤质量指数进行相乘，得到气候-土壤指数，以用于反映研究区植被生产力空间格局。
CN202110243613.8A 2021-03-04 2021-03-04 基于气候和土壤模拟植被生产力空间格局的方法及系统 Active CN113095619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110243613.8A CN113095619B (zh) 2021-03-04 2021-03-04 基于气候和土壤模拟植被生产力空间格局的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110243613.8A CN113095619B (zh) 2021-03-04 2021-03-04 基于气候和土壤模拟植被生产力空间格局的方法及系统

Publications (2)

Publication Number Publication Date
CN113095619A CN113095619A (zh) 2021-07-09
CN113095619B true CN113095619B (zh) 2022-09-06

Family

ID=76667739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110243613.8A Active CN113095619B (zh) 2021-03-04 2021-03-04 基于气候和土壤模拟植被生产力空间格局的方法及系统

Country Status (1)

Country Link
CN (1) CN113095619B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569409B (zh) * 2021-07-28 2023-05-30 生态环境部华南环境科学研究所 耦合气候累积效应的植被生产力模型优化方法
CN114609694B (zh) * 2022-03-08 2022-12-06 浙江大学 一种原位预测生态系统属性对气候变化响应的方法
CN114580207B (zh) * 2022-04-12 2024-03-26 中国林业科学研究院林业研究所 一种杉木大径材潜在生产能力的判断方法
CN118052376B (zh) * 2024-04-16 2024-06-18 四川职业技术学院 一种基于农业物联网的敏感数据异常检测系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006039449A1 (en) * 2004-09-29 2006-04-13 Monsanto Technology Llc High yielding soybean plants with low linolenic acid
CN104166782A (zh) * 2014-06-05 2014-11-26 刘健 一种林地土壤有机碳遥感估测的方法
CN104408258B (zh) * 2014-12-01 2017-12-15 四川农业大学 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN106202852B (zh) * 2015-12-01 2020-10-30 中国科学院地理科学与资源研究所 一种植被生态系统气候敏感带类型的空间定量识别方法
CN107256293B (zh) * 2017-05-24 2020-09-15 南京雨后地软环境技术有限公司 一种气候-生态系统耦合建模方法
CN108388683A (zh) * 2017-06-15 2018-08-10 中国科学院地理科学与资源研究所 一种基于生境因子的植被类型空间模拟方法
CN111415065B (zh) * 2020-02-26 2023-05-12 广州地理研究所 一种基于作用过程的山地灾害生态破坏风险评价方法

Also Published As

Publication number Publication date
CN113095619A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113095619B (zh) 基于气候和土壤模拟植被生产力空间格局的方法及系统
Deng et al. Closing yield gaps for rice self-sufficiency in China
Folberth et al. Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations
Václavík et al. Mapping global land system archetypes
Van Wart et al. Use of agro-climatic zones to upscale simulated crop yield potential
Zhang et al. Evaluating spatial and temporal patterns of MODIS GPP over the conterminous US against flux measurements and a process model
Pagani et al. A high-resolution, integrated system for rice yield forecasting at district level
Chang et al. Patterns and variability of projected bioclimatic habitat for Pinus albicaulis in the Greater Yellowstone Area
Hoffmann et al. Variability of effects of spatial climate data aggregation on regional yield simulation by crop models
KR102093544B1 (ko) 곡물 생산량 예측 방법 및 장치
Kamali et al. Uncertainty-based auto-calibration for crop yield–the EPIC+ procedure for a case study in Sub-Saharan Africa
Lin et al. Deriving the spatiotemporal NPP pattern in terrestrial ecosystems of Mongolia using MODIS imagery
Abel et al. Contrasting ecosystem vegetation response in global drylands under drying and wetting conditions
Anderson et al. Predicting Microstegium vimineum invasion in natural plant communities of the southern Blue Ridge Mountains, USA
Huang et al. Effects of multidimensional urbanisation on water footprint self-sufficiency of staple crops in China
Zhai et al. Spatio-temporal dynamics of ecosystem service values in China’s Northeast Tiger-Leopard National Park from 2005 to 2020: Evidence from environmental factors and land use/land cover changes
Zheng et al. Calibration and validation of phenological models for Biome-BGCMuSo in the grasslands of Tibetan Plateau using remote sensing data
Yin et al. Daytime-only mean data enhance understanding of land–atmosphere coupling
Liu et al. Landsat-observed changes in forest cover and attribution analysis over Northern China from 1996‒2020
Valeriano et al. A process-based model to simulate sugarcane orange rust severity from weather data in Southern Brazil
Yan et al. Assessing the contributions of climate change and human activities to cropland productivity by means of remote sensing
Haider et al. Historical and projected shift in agro-climatic zones and associated variations of daily temperature and precipitation extremes using CORDEX-SA over pakistan
CN115953085A (zh) 一种评估复合干热事件对植被生长影响的方法
Xu et al. [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation
Xu et al. + Dynamic identification and risk analysis of compound dry-hot events considering nonstationarity

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant